Nieuw raamwerk voorspelt materiaaleigenschappen zonder kristalstructuur
Onderzoekers introduceren een methode genaamd DISTAL om materiaaleigenschappen te voorspellen wanneer er weinig data beschikbaar is. Het raamwerk combineert zelf-gesuperviseerde pretraining om te werken zonder gedetailleerde structurele informatie.
Het voorspellen van de eigenschappen van materialen is vaak lastig wanneer er slechts een beperkte hoeveelheid gelabelde data voorhanden is. Veel bestaande modellen vereisen gedetailleerde kristalstructuren om tot nauwkeurige voorspellingen te komen, wat een obstakel vormt in de vroege fasen van onderzoek waarin deze informatie nog ontbreekt.
De voorgestelde aanpak probeert dit gat op te vullen door gebruik te maken van technieken uit zelf-gesuperviseerd leren. Binnen de materiaalkunde en scheikunde is er veel vraag naar computermodellen die het ontdekkingsproces van nieuwe stoffen kunnen versnellen, zeker in scenario's waar experimentele data schaars is.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel